Claude、ChatGPT 等 AI 助理都很聪明，但它们都只知道互联网上的内容、你上传的少量文档，以及我们的对话内容，它缺少更多关于你上下文。
这不是 Claude 的问题，是信息隔离的结构性问题。大部分人最大的已经数字化的上下文，大量存在于电脑和手机中，而电脑中存放着与我们工作、学习、生活最相关的哪些上下文，比如文档。你的文档和 AI 之间，隔着一道看不见的墙。
下面是 4 个真实场景，看看借助 LinklyAI 拆掉这道墙之前和之后，对话会有什么不同。
场景一：整理几年前的工作文档
你想把 2023 年做过的项目复盘整理一遍，看看踩过哪些技术坑。你要先打开文件管理器，一个一个翻文件夹，找到那几份复盘文档，打开，选中你认为相关的段落，复制，粘贴到对话框里，然后说”帮我整理一下”。
Before
Claude 能做的，只有你粘进去的那几段。
你：帮我整理这段里提到的技术问题。
Claude：这段内容提到了两个问题：一是数据库连接池配置不当导致的性能瓶颈，二是……
你能得到的，只有你已经找到的内容的润色版。
After
你打开 Claude，直接说：
你：帮我整理我电脑中 2023 年所有项目复盘里提到的技术问题，按严重程度分个类。
Claude：好的，我来搜一下你的本地文档。
[调用 search(“2023 项目复盘 技术问题”)]
找到 7 个相关文件：Q1-项目复盘.md、电商平台重构复盘.pdf……
[调用 outline([“电商平台重构复盘.pdf”])]
文档结构：1. 项目背景 2. 时间线 3. 技术问题汇总 4. 经验总结
[调用 read(“电商平台重构复盘.pdf”, “技术问题汇总”)]
Claude：根据你 2023 年的 7 份项目复盘，我整理了以下技术问题清单，按影响程度排列：
- 严重：数据库连接池配置问题（出现在 3 份复盘中）、Redis 缓存击穿……
- 中等：前端构建链路缺少类型检查……
你没有复制粘贴任何东西。Claude 自己找到了所有相关文件，看了结构，精读了关键章节，给你做了跨文档的汇总。
场景二：阅读英文技术文档
你收藏了一份 HTTP/3 的 RFC 规范 PDF，想搞清楚连接迁移（Connection Migration）是怎么工作的。你要先打开 PDF，用内置搜索找到”connection migration”关键词所在的章节，翻到那一页，选中那几段，复制出来，粘进对话框。
Before
如果你复制的段落上下文不够，Claude 的解释就会不完整，你得再翻回去复制更多。
你：帮我解释一下这段关于连接迁移的内容。
Claude：这段描述的是……
你能得到的，仅限于你选中并复制出来的那几段。
After
你直接问：
你：帮我看一下我保存在我电脑里的 HTTP/3 规范文档，重点解释连接迁移那部分，包括它解决了什么问题、工作原理是什么。
Claude：好的，我来找一下。
[调用 search(“HTTP/3 连接迁移 RFC”)]
找到：rfc9000-quic-transport.pdf
[调用 outline([“rfc9000-quic-transport.pdf”])]
第 9 章：Connection Migration，第 10 章：……
[调用 read(“rfc9000-quic-transport.pdf”, “第 9 章 Connection Migration”)]
Claude：HTTP/3（基于 QUIC）的连接迁移解决了一个 TCP 的根本性问题：TCP 连接绑定在四元组（源 IP + 源端口 + 目标 IP + 目标端口）上，一旦 IP 地址变了（比如你从 WiFi 切换到 4G），连接就断了，必须重新握手。
QUIC 用 Connection ID 来标识连接，而不是四元组……
Claude 自己定位到了那份 RFC，找到了第 9 章，精读了连接迁移的完整描述，给了你一个完整的解释。你没有打开任何 PDF。
场景三：写工作汇报
季度汇报要交了。你打开 Claude，靠着记忆说”我这个季度主要做了用户系统重构、推动了代码规范落地……”，或者花二十分钟翻工作日志、把每个月的关键事项复制进去。
Before
Claude 帮你写出来了，但内容基于你口述的片段，写出来的东西很空，缺少具体数据，要改很多轮。就算你手动翻了记录，内容是丰富了，但你自己就已经累了一半。
你：帮我写一份 Q1 工作总结，我这个季度主要做了用户系统重构、推动了代码规范落地……
Claude：好的，以下是根据您提供的信息整理的 Q1 工作总结……
你得到的，是你口述片段的润色版，数据全靠自己补。
After
你直接说：
你：帮我写一份 Q1 工作总结，去我的电脑的工作日志文件夹里找一下最近三个月的记录，整理关键成果，写一个初稿。
Claude：好的，我来搜一下。
[调用 search(“工作日志 2025 Q1”)]
找到：2025-01-工作日志.md、2025-02-工作日志.md、2025-03-工作日志.md
[调用 read(“2025-01-工作日志.md”)] [调用 read(“2025-02-工作日志.md”)] [调用 read(“2025-03-工作日志.md”)]
Claude：根据你三个月的工作日志，这是初稿：
一季度核心成果
- 用户系统重构上线：完成数据库迁移，注册耗时从 1.2s 降至 380ms……
- 代码规范落地：制定 TypeScript 规范文档，覆盖团队 8 人……
你什么都没手动翻，Claude 自己读完了三个月的日志，提取了关键信息，直接给了你一个有数据支撑的初稿。
场景四：基于私有资料做分析
你在做一个新产品的市场分析。之前花了很多时间整理了一批竞品分析文档、行业研究报告，都存在本地。但 Claude 不知道这些——你能做的，只是打开一份文件，复制最相关的几段进去问。
Before
Claude 的分析基于你贴进去的片段，不了解你整理的完整上下文。它给你的，本质上是基于互联网公开信息的通用分析。
你：帮我分析一下笔记类工具的竞争格局。
Claude：笔记类工具市场竞争激烈，主要玩家包括 Notion、Obsidian……（通用答案）
你得到的，是 Claude 凭公开信息写出来的内容，和你自己整理的私有调研没有任何关系。
After
你说：
你：帮我分析一下笔记类工具的竞争格局，用linkly-ai 查找我电脑里的竞品分析和行业报告，不要只说通用结论，要结合我整理的具体内容。
Claude：好的，我来搜一下你的本地文件。
[调用 search(“笔记 竞品分析”)]
找到：Notion竞品分析-2024.pdf、Obsidian用户研究.docx、2024笔记工具行业报告.pdf
[调用 outline([“Notion竞品分析-2024.pdf”, “2024笔记工具行业报告.pdf”])]
[调用 read(“Notion竞品分析-2024.pdf”, “用户留存分析”)]
Claude：基于你整理的三份资料，笔记工具竞争格局的核心矛盾是：
根据你的 Notion 竞品分析，Notion 最大的留存问题是”复杂度陷阱”——用户上手成本高，70% 的 Power User 功能利用率不足 20%……
你的行业报告里提到，2024 年增速最快的细分市场是……
这次分析引用的是你花时间整理的私有资料，不是公开信息的泛泛总结。你积累的知识，第一次真正参与进了 AI 的推理过程。
怎么配置：大约 5 分钟
让 Claude 能读到你的本地文档，需要两件事：一是 Linkly AI 建好本地索引，二是通过 MCP 协议把它连接到 Claude。
第一步：安装 Linkly AI
去 下载 Linkly AI 下载安装，首次启动时选择你的文档目录（比如 ~/Documents），它会自动开始在后台建索引。
第二步：配置 MCP
Linkly AI 安装后会自动启动 MCP 服务，默认端口 60606。在你的 AI 工具里配置一下：
- Claude Code：终端运行
claude mcp add --transport http linkly-ai http://127.0.0.1:60606/mcp - Cursor：Settings → MCP Servers → 添加，Type:
StreamableHTTP，URL:http://127.0.0.1:60606/mcp
第三步：验证
配置好之后，在 Claude 里发一条消息：
搜索我的本地文档，找找有没有关于项目复盘的内容。
如果 Claude 调用了 search 工具并返回了结果，就说明配置成功了。
Linkly AI 使用了 Outlines Index 技术，让 AI 能以 search → outline → read 的渐进方式翻阅文件，而不是把文档切成碎片喂给模型——这让它在长文档、跨文档分析场景下的效果明显优于传统 RAG 方案。
不是 Claude 变聪明了。
是你终于给了它读你文件的权限。
你电脑里那几百份 PDF、Word、Markdown 笔记，它们一直在等着被用到。一旦连上，你会发现 AI 助手能帮你做的事，和之前完全不是一个量级。
下载 Linkly AI，花 5 分钟配置一次，之后就是完全不同的使用体验。
由 Linkly AI 团队出品。